DOCS/journey/plans/archive/251017_intent_analysis_improvement_plan.md

로빙 의도 파악 개선 플랜

날짜: 2025-10-17 현재: 정규식 패턴 매칭만 사용

---

현재 문제

처리 불가 사례

질문	현재 처리	문제
"오늘 몇일이야?"	UNKNOWN	시간 질문 패턴 없음
"리버스마운틴 유사 기업 가치평가해줘"	UNKNOWN	복잡한 멀티스텝 질문
"아까 말한 그 기업 투자 단계는?"	UNKNOWN	맥락 참조 불가

결론: 단순 명령만 처리 가능, 복합 질문 처리 불가

---

개선 방향 (3단계 구조)

구현 완료: troubleshooting/251126_happybell80_rb8001_의도_3단계_아키텍처_도입_및_배포.md

완료일: 2025-11-26
커밋: a4738b9 (rb8001)

완료 사항

• ✅ 3단계 스키마 정의: intent/schemas.py (IntentCategory, IntentGoal, ActionPlan, SkillSequence)
• ✅ IntentAnalyzer 구현: LLM 기반 제로샷 의도 분석
• ✅ ActionPlanner 구현: IntentGoal → ActionPlan 변환
• ✅ SkillSelector 구현: ActionPlan → SkillSequence 변환
• ✅ DecisionEngine 통합: _build_intent_pipeline() 메서드 추가, execution_plan에 intent_pipeline 메타데이터 포함
• ✅ TDD 테스트: tests/test_intent_3step_architecture.py 통과

1. 의도 파악 → 추상적 목표 (일정 관리, 정보 검색 등)
2. 행동 계획 → 구체적 행동 (등록, 조회, 삭제 등)
3. 스킬 선택 → 적절한 도구 (calendar_skill 등)

---

미구현: 하이브리드 시스템

테스트 결과 (2026-01-03): troubleshooting/260103_하이브리드_의도_분류_성능_비교_테스트.md

• FastPath: 49.6% (72ms)
• 제로샷 임베딩: 23.4% (80ms) - 개선 필요
• 병행 비교: 49.6% (154ms) - 의미 없음

개선된 구조

사용자 메시지
  ↓
1단계: 정규식 FastPath (명확한 패턴)
  ↓ 실패 또는 확신도 < 0.9
2단계: Multi-centroid 임베딩 (Top-3 후보 생성)
  ↓ 확신도 < 0.7
3단계: Few-shot LLM 분류 (Top-3 후보 + 예시)

필요 작업

1. Multi-centroid 방식 도입

• 파일: scripts/seed_intent_runtime.py 확장
• 각 intent별 5-10개 예시 문장으로 K-means centroid 생성
• seed_calendar_event_samples.py 방식 참고

2. Intent Prototypes DB 초기화

• 768d Ko-SRoBERTa 기준으로 재임베딩
• intent_prototypes 테이블 version=2로 저장
• dimension mismatch 해결

3. Few-shot LLM 프롬프트 개선

• 파일: app/services/llm/intent_parser.py
• Top-3 후보를 활용한 Few-shot 예시 추가
• Gemini 프롬프트 설계 원칙(313_Gemini_프롬프트_설계_원칙.md) 적용

4. 성능 목표

• FastPath: 80% 케이스 (< 10ms) - 유지
• Multi-centroid embedding: 75%+ 정확도 (< 200ms) - 목표
• Few-shot LLM: 5% 케이스 (1-2s) - 최적화

---

참고

• troubleshooting/251126_happybell80_rb8001_의도_3단계_아키텍처_도입_및_배포.md
• troubleshooting/251126_intent_3step_db_bayesian_integration.md
• 311_FastAPI_구조_원칙.md